机器学习导论
课程中心/ 机器学习导论/ 阅读资料/ 第 10 讲
机器学习势 · 材料性质预测 · CNN
LECTURE 10

专题与前沿

Special Topics & Frontiers
第 10 讲 · 机器学习势 · 材料性质预测 · CNN
学习路线与实践PPT 第 15 页

先带着一个问题来学

怎样把预测结果变成可信的科学结论?

模型像一位见过许多例题的助手。问到熟悉范围之外,它仍可能流畅作答;科学判断需要独立验证、误差分析和适用范围。

学完能做到

写清数据来源与适用范围;解释一个失败案例;提出独立验证方案。

第一遍不必深究:等变网络、CNN 结构和主动学习作为后续专题。

学习路线与实践PPT 第 16 页

先算一个小例子

把同一分子整体平移或旋转,孤立体系的能量应不变。若预测改变,就要检查输入描述和模型是否遵守对称性。

同一结构整体平移或旋转能量应保持相同
按箭头读一遍,再用自己的话解释。
你来解释:把这个例子用自己的话讲给同桌,指出输入、输出和需要检验的地方。
学习路线与实践PPT 第 17 页

把方法带回材料与物理

机器学习势要同时检查能量、力和实际模拟稳定性;带隙预测要检查新体系泛化;谱图分类要检查不同仪器与批次。

本讲要防的误解:能量误差小不保证导数误差小;自动求导给出模型的力,但力的准确性仍需要单独验证。
§10.1 回到材料与分子PPT 第 01 页

从西瓜到物理化学

前九讲用一只西瓜贯穿始终,把机器学习的通用方法讲透了。这一讲回归你的主场:机器学习如何加速材料与分子研究——同样的方法,换一个更有物理味道的问题。

机器学习势
用网络拟合势能面,替代昂贵的 DFT
性质预测
由成分/结构直接预测带隙、稳定性等
谱图分析
用 CNN 识别光谱、显微图像
要点这条主线与你已有的计算物理、分子模拟课程一脉相承:机器学习是加速「第一性原理计算」的新引擎。
§10.2 机器学习势PPT 第 02 页

问题:分子动力学太贵

传统分子动力学(MD)每一步都要算原子受力。第一性原理分子动力学中用 DFT 计算受力,通常代价较高;经典分子动力学可用经验势,速度快,精度依赖体系与势函数。

说明机器学习势(machine learning potential)的野心:用神经网络拟合 DFT 的势能面,达到接近 DFT 的精度、接近经验势的速度。
§10.2 机器学习势PPT 第 03 页

核心思想:拟合势能面

把「原子坐标 → 总能量」看成一个待拟合的函数,用神经网络去逼近。

$$E = f(\{\mathbf{R}_i\}) \quad \Rightarrow \quad\mathbf{F}_i = -\frac{\partial E}{\partial \mathbf{R}_i}$$
要点力是能量对坐标的负导数。模型可微时,可用自动求导得到模型的力;但能量误差小不保证力误差小,还需力数据与模拟稳定性检验。
§10.2 机器学习势PPT 第 04 页

代表模型

拓展阅读 · 第一遍可先看结论,再回到必学主线。

模型特点
Behler–Parrinello对称函数描述符 + 前馈网络
DeepMD深度势,分子动力学软件直接对接,LAMMPS 可用
NequIP / MACE等变网络的代表,适用性需按体系与任务验证
说明共同的关键挑战:怎么把原子坐标编码成网络能吃的输入,同时保证平移/旋转/置换对称性。
§10.2 机器学习势PPT 第 05 页

描述符的对称性要求

势能面必须满足物理对称性,描述符设计要把它「内置」进去。

平移不变
整体平移能量不变
旋转不变
整体旋转能量不变
置换不变
交换同类原子能量不变
要点用「原子间距离 / 角度」这类内禀坐标构造描述符,有助于满足平移与旋转不变性;同类原子置换不变性还需对称聚合等设计。
§10.3 材料性质预测PPT 第 06 页

从「算」到「筛」

材料基因组愿景:用机器学习快速筛选海量候选材料,只把有希望的交给昂贵的第一性原理精算。

  1. 1建特征
    成分、结构、电负性等描述符
  2. 2训模型
    用已有的 DFT/实验数据训练回归/分类器
  3. 3虚拟筛选
    对海量候选快速打分
  4. 4精算验证
    只对高分候选做 DFT 精算
要点这套「机器学习粗筛 → 第一性原理精验」的闭环,是材料信息学(materials informatics)的标准范式。
§10.3 材料性质预测PPT 第 07 页

典型预测任务

性质任务类型常用模型
带隙 $E_g$回归随机森林、GBDT、图神经网络
形成能 / 稳定性回归同上
晶体结构分类分类CNN(衍射图)、图网络
相稳定性分类GBDT
说明本课程第 2–5 讲学的线性回归、树模型、集成学习,在这里直接就能用。
§10.4 卷积神经网络PPT 第 08 页

CNN:处理图像与谱图

拓展阅读 · 第一遍可先看结论,再回到必学主线。

第 8 讲的全连接网络对图像「展平」会丢掉空间结构。卷积神经网络(CNN)专为局部结构设计。

卷积层
滑动窗口提取局部特征(边缘、纹理)
池化层
降采样,缩减尺寸、增强平移不变
全连接层
最后把特征映射到输出
要点CNN 的三大思想:局部感受野、权值共享、池化,让它在图像与一维谱图上都极强。
§10.4 卷积神经网络PPT 第 09 页

CNN 也能吃一维光谱

拓展阅读 · 第一遍可先看结论,再回到必学主线。

卷积核不一定是二维的:一维卷积可直接作用于光谱(强度随波数的曲线)。

说明应用:红外/拉曼光谱分类、XRD 衍射峰识别、质谱解析等,都能用一维 CNN 处理,这是「谱学 + 深度学习」的热门交叉方向。
§10.4 卷积神经网络PPT 第 10 页

PyTorch 里定义一个 CNN

拓展阅读 · 第一遍可先看结论,再回到必学主线。

cnn.pyPython
import torch.nn as nn

class CNN(nn.Module):
    def __init__(self):
        super().__init__()
        self.conv = nn.Sequential(
            nn.Conv1d(1, 16, kernel_size=5),
            nn.ReLU(),
            nn.MaxPool1d(2),
            nn.Conv1d(16, 32, kernel_size=5),
            nn.ReLU(),
            nn.Flatten(),
            nn.Linear(32 * 6, 10),
        )
    def forward(self, x):
        return self.conv(x)
说明Conv1d 是一维卷积(谱图),图像则用 Conv2d。结构与 MLP 如出一辙。

课堂代码片段:可能承接前页变量。第一次上机请从完整实验开始,先运行数据准备,再运行训练与评估。

§10.5 挑战与误区PPT 第 11 页

机器学习不是万能药

数据依赖
没有足够、干净、有代表性的数据,一切免谈
外推失效
模型只在训练分布内可靠,外推到新体系要谨慎
可解释性
黑箱模型难讲清「为什么」,需特征重要性等手段
注意物理化学家的价值正在于:设计有物理意义的特征、判断模型何时可信,而不是盲目堆模型。
§10.6 课程总结PPT 第 12 页

十讲回顾

讲主题一句话
01绪论机器学习 = 从数据学函数
02线性回归最小二乘 + 梯度下降
03逻辑回归sigmoid + 交叉熵
04评估调参交叉验证 + 偏差方差
05树与集成随机森林 / XGBoost
06KNN / 贝叶斯距离与概率
07无监督K-means / PCA / t-SNE
08神经网络MLP + 反向传播
09PyTorch训练循环五步
10专题ML 势 / 材料预测 / CNN
§10.6 课程总结PPT 第 13 页

一条完整的能力链

  1. 1理解
    知道监督/无监督、偏差/方差、过拟合
  2. 2实现
    用 scikit-learn 跑通经典模型
  3. 3深入
    用 PyTorch 搭自己的网络
  4. 4应用
    把机器学习带进材料/分子研究
§10.7 思考PPT 第 14 页

思考题

Q1

机器学习势相比 DFT 的核心优势是?

  • 速度远快、精度接近
  • 精度更高
  • 不需要数据
A。用网络拟合势能面,逼近 DFT 精度、接近经验势速度。
Q2

CNN 相比全连接网络处理谱图/图像的关键优势是?

  • 保留并利用局部结构
  • 参数更多
  • 无需训练
A。卷积的局部感受野与权值共享能提取空间/谱结构。
学习路线与实践PPT 第 18 页

动手任务:交出结果,也交出解释

完成结课报告:问题、数据、划分、基线、模型比较、误差图、失败案例和下一步验证。明确区分模拟练习与真实研究。

提交:一张图或一张结果表 + 150 字解释 + 一个局限。

自查:数据如何划分?比简单猜测好多少?能否推广到新样品?

打开实验与结课项目指南

1 / 1 100%

幻灯片目录

← → 翻页 空格 下一页 F 全屏 O / Esc 目录 数字键 1-9 快速跳页 字号:= 放大 / − 缩小 / 0 复位